Гібридні підходи для моделювання та прогнозування фінансових даних

Скорочена інформація про документ
dc.contributor.advisorГуськова, Віра Геннадіївна
dc.contributor.authorХаритонова, Світлана Володимирівна
dc.date.accessioned2026-02-18T12:49:56Z
dc.date.available2026-02-18T12:49:56Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація: 139 с., 21 рис., 16 табл., 37 посилань. Об’єкт дослідження – процеси прогнозування фінансових часових рядів на основі історичних даних торгів фондового ринку. Предмет дослідження – гібридні архітектури нейронних мереж, що поєднують методи частотної декомпозиції, статистичні методи, рекурентні й згорткові мережі, та сучасні трансформерні моделі. Мета роботи – встановлення ефективності гібридних архітектур глибокого навчання для короткострокового прогнозування фінансових часових рядів шляхом розробки та експериментальної валідації моделей, що інтегрують класичні статистичні методи, методи обробки сигналів та сучасні підходи глибокого навчання. Наукова новизна – удосконалено гібридну архітектуру на основі PatchTST шляхом інтеграції паралельної згорткової гілки та адаптивного вентильного механізму злиття ознак; розвинуто метод температурного масштабування для калібрування впевненості прогнозів; проведено комплексне порівняльне дослідження чотирьох стратегій гібридизації з встановленням залежності ефективності від волатильності активу та ринкових умов. Практичне значення – розроблені моделі можуть безпосередньо застосовуватися для побудови алгоритмічних торгових стратегій, систем підтримки прийняття інвестиційних рішень та інструментів управління ризиками.
dc.description.abstractotherMaster's thesis: 139 p., 21 fig., 16 tables, 37 references. Object of study – financial time series forecasting processes based on historical stock market trading data. Subject of study – hybrid neural network architectures that combine frequency decomposition methods, statistical methods, recurrent and convolutional networks, and modern transformer models. Purpose – to establish the effectiveness of hybrid deep learning architectures for short-term financial time series forecasting through the development and experimental validation of models integrating classical statistical methods, signal processing techniques, and modern deep learning approaches. Scientific novelty – improved hybrid architecture based on PatchTST through integration of parallel convolutional branch and adaptive gated feature fusion mechanism; advanced temperature scaling method for prediction confidence calibration; conducted comprehensive comparative study of four hybridization strategies establishing the dependence of effectiveness on asset volatility and market conditions. Practical significance – the developed models can be directly applied for building algorithmic trading strategies, investment decision support systems, and risk management tools.
dc.format.extent139 с.
dc.identifier.citationХаритонова, С. В. Гібридні підходи для моделювання та прогнозування фінансових даних : магістерська дис. : 122 Комп'ютерні науки / Харитонова Світлана Володимирівна. – Київ, 2025. – 139 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78846
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування фінансових часових рядів
dc.subjectгібридні моделі глибокого навчання
dc.subjectархітектура patchtst-cnn
dc.subjectрекурентні нейронні мережі
dc.subjectзгорткові мережі
dc.subjectмеханізм уваги
dc.subjectтемпературне масштабування
dc.subjectселективна торгівля
dc.subject.udc004.896:336.76:519.246.8](043.3)
dc.titleГібридні підходи для моделювання та прогнозування фінансових даних
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kharytonova_magistr.pdf
Розмір:
5.67 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи